A Task Scheduler for Mobile Edge Computing Using Priority-based Reinforcement Learning
Notice bibliographique
Résumé
Edge computing offers cloud-like services closer to users and IoT devices, providing high speed and accessibility for network users. Edge computing, often called Mobile Edge Computing (MEC), is a distributed paradigm that utilizes heterogeneous computational and storage resources with well-provisioned capabilities rather than relying on the ample resources of the cloud. In addition, edge users usually refer to portable and mobile devices that connect to and disconnect from the network at will. Therefore, scheduling tasks at the appropriate time and allocating the right resources can be modeled as a multi-objective optimization problem in MEC. Moreover, each task has specific requirements, further adding to the complexity of the optimization problem. In this study, we formulate the scheduling problem as a Markov Decision Process (MDP) to schedule the tasks. The learning time of the task scheduler is minimized when it faces new users and edge servers. Subsequently, we employ the Q-learning (QL) algorithm from the Reinforcement Learning (RL) paradigm to address the optimization problem and effectively adapt the proposed scheduler to the dynamic nature of MEC. Accordingly, we designed the valid state space, action space, and reward function with appropriate conditions and proper rewards for the proposed QL-based technique. We conducted comprehensive experiments to validate the results of the proposed solution, taking into account the inherent randomness of the QL-based technique. The experimental results demonstrate that the proposed technique achieves the lowest learning time compared to Deep learning-based and Deep RL-based approaches. Furthermore, on average, the proposed technique obtains a 72% faster runtime compared to previous works, using 58% fewer computation cycles and 50% less memory. These improvements make the proposed approach an efficient and lightweight task scheduler for MEC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».